CN111912419A - 基于激光雷达的高精度语义导航地图构建方法和装置 - Google Patents

Abstract

本发明公开了一种基于激光雷达的高精度语义导航地图构建方法和装置，一种基于激光雷达的高精度语义导航地图构建方法，包括：获取车载激光雷达采集的车辆周边三维点云与反射强度数据和车载组合导航系统采集的车辆的经纬度和姿态信息；根据三维点云数据在大地坐标系中得到高精度点云地图；根据三维点云的反射强度数据，在高精度点云地图中标注出包含语义信息的离散点并分类后得到地图语义元素集合并根据地图语义元素集合中各元素的语义关联信息，生成高精度语义导航地图。本发明实施例公开的基于激光雷达的高精度语义导航地图构建方法和装置，能够以较低的成本构建高精度的语义导航地图，从而满足自动驾驶车辆的导航需求。

Description

基于激光雷达的高精度语义导航地图构建方法和装置

技术领域

本发明实施例涉及导航技术，尤其涉及一种基于激光雷达的高精度语义导航地图构建方法和装置。

背景技术

智能网联汽车是集环境感知、行为决策、自动控制等一种具备自主行驶能力的汽车，又称为无人驾驶汽车或轮式机器人。智能网联汽车能够将机动车驾驶人从枯燥繁琐的驾驶操作中解放出来，依靠人工智能、机器视觉等技术，避免了甚至杜绝因驾驶员个人因素导致的交通问题。智能网联汽车所涉及的领域包括：传感器技术、信号处理、模式识别、人工智能、计算机技术、自动控制等众多学科，是当今各种前沿热门技术的综合实验载体。它既包括科学理论方法的研究，也包括关键技术的突破，还涉及到大量工程实践问题的解决。因此，智能网联汽车中的自动驾驶技术具有重要的科研价值和广阔的应用前景。

高精度语义导航地图作为自动驾驶系统中的关键输入数据，能够为自动驾驶的感知、定位、规划提供先验信息。高精度语义导航地图是自动驾驶汽车的必备要素，高精度语义导航地图包含了智能驾驶系统所需的必要元素，对智能驾驶的重要作用已经取得广泛的共识，无论在科研机构还是工业界，大量自动驾驶汽车已经开始使用甚至依赖高精度语义导航地图。

目前，构建适用于自动驾驶系统的高精度语义导航地图严重依赖专业的测绘车辆，需要配备昂贵的测绘设备进行采集，并且构建的地图为离散点云地图，无法直接服务于自动驾驶车辆的导航规划系统。

发明内容

本发明提供一种基于激光雷达的高精度语义导航地图构建方法和装置，能够以较低的成本构建高精度的语义导航地图，从而满足自动驾驶车辆的导航需求。

第一方面，本发明实施例提供一种基于激光雷达的高精度语义导航地图构建方法，包括：

获取车载激光雷达采集的车辆周边三维点云与反射强度数据；

获取车载组合导航系统采集的车辆的经纬度和姿态信息；

根据车载激光雷达和车载组合导航系统的相对位置关系以及车辆的经纬度和姿态信息，将三维点云数据转换到大地坐标系，并根据三维点云数据在大地坐标系中得到高精度点云地图；

根据三维点云的反射强度数据，在高精度点云地图中标注出包含语义信息的离散点并分类后得到地图语义元素集合；

根据地图语义元素集合中各元素的语义关联信息，生成高精度语义导航地图。

在第一方面一种可能的实现方式中，根据车载激光雷达和车载组合导航系统的相对位置关系以及车辆的经纬度和姿态信息，将三维点云数据转换到大地坐标系，并根据三维点云数据在大地坐标系中得到高精度点云地图，包括：

根据车载激光雷达和车载组合导航系统的相对位置关系，将三维点云数据从激光雷达坐标系转换到车身坐标系；

根据车辆的经纬度和姿态信息，将三维点云数据从车身坐标系转换到大地坐标系，并根据三维点云数据在大地坐标系中得到高精度点云地图。

在第一方面一种可能的实现方式中，三维点云以三维极坐标表示，根据车载激光雷达和车载组合导航系统的相对位置关系，将三维点云数据从激光雷达坐标系转换到车身坐标系，包括：

将三维点云数据所在的三维极坐标系转换到笛卡尔坐标系；

根据车载激光雷达和车载组合导航系统的平移和旋转关系，将三维点云数据从笛卡尔坐标系转换到车身坐标系。

在第一方面一种可能的实现方式中，三维点云的三维极坐标为(ρ_i,θ_i,γ_i)，其中ρ_i表示车载激光雷达中心到检测物体的欧式距离，θ_i为激光三维极坐标系下的偏航发射角度，γ_i是三维极坐标系下的俯仰发射角度；

将三维点云数据所在的三维极坐标系转换到笛卡尔坐标系，包括：

根据公式

将三维点云数据所在的三维极坐标系转换到笛卡尔坐标系，其中(x_i,y_i,z_i)为三维点云在笛卡尔坐标系中的三维坐标；

根据车载激光雷达和车载组合导航系统的平移和旋转关系，将三维点云数据从笛卡尔坐标系转换到车身坐标系，包括：

根据公式

将三维点云数据从笛卡尔坐标系转换到车身坐标系，其中：

其中(x_v,y_v,z_v)为三维点云在车身坐标系中的三维坐标，[x_sv,y_sv,z_sv]表示车载激光雷达和车载组合导航系统的平移关系，[ψ_s,β_s,φ_s]表示车载激光雷达和车载组合导航系统的旋转关系。

在第一方面一种可能的实现方式中，根据三维点云的反射强度数据，在高精度点云地图中标注出包含语义信息的离散点并分类后得到地图语义元素集合，包括：

根据三维点云的反射强度数据，在高精度点云地图中标注出包含语义信息的离散点，将包含语义信息的离散点连接成多边形并分类，后得到地图语义元素集合{(x_1,c ^k,y_1,c ^k),(x_2,c ^k,y_2,c ^k),...(x_n,c ^k,y_n,c ^k),k＝1,2…m_c}，其中c为语义类别，m_c为属于类别c的多边形个数，(x_n,c ^k,y_n,c ^k)表示第k个多边形的第n个点云在高精度点云地图中的坐标，j为车道中心线，根据车道的左右边界生成，{(0.5×x_i,左 ^j+0.5×x_i,右 ^j,0.5×y_i,左 ^j+0.5×y_i,右 ^j),i＝1,2,…,n}，x_i,左 ^j、x_i,右 ^j、y_i,左 ^j、y_i,右 ^j分别表示车道中心线j左右边界第i个点云在高精度点云地图中的坐标。

在第一方面一种可能的实现方式中，根据地图语义元素集合中各元素的语义关联信息，生成高精度语义导航地图，包括：

将所有车道中心线的首尾两点

建立KD树，针对第i个车道中心线的首尾两点分别查找KD树，找到最邻近点所属的第a和第b个车道，作为第i个车道的前向和后向关联，遍历所有车道获得完整的连接关系，生成高精度语义导航地图。

在第一方面一种可能的实现方式中，获取车载组合导航系统采集的车辆的经纬度和姿态信息，包括：

获取车载组合导航系统采集的车辆的IMU数据和卫星定位数据；

根据IMU数据和卫星定位数据得到车辆的经纬度和姿态信息。

第二方面，本发明实施例提供一种基于激光雷达的高精度语义导航地图构建装置，包括：

雷达数据采集模块，用于获取车载激光雷达采集的车辆周边三维点云与反射强度数据；

导航数据采集模块，用于获取车载组合导航系统采集的车辆的经纬度和姿态信息；

坐标转换模块，用于根据车载激光雷达和车载组合导航系统的相对位置关系以及车辆的经纬度和姿态信息，将三维点云数据转换到大地坐标系，并根据三维点云数据在大地坐标系中得到高精度点云地图；

语义分类模块，用于根据三维点云的反射强度数据，在高精度点云地图中标注出包含语义信息的离散点并分类后得到地图语义元素集合；

地图建立模块，用于根据地图语义元素集合中各元素的语义关联信息，生成高精度语义导航地图。

第三方面，本发明实施例提供一种基于激光雷达的高精度语义导航地图构建系统，包括：

车载激光雷达，用于采集车辆周边三维点云与反射强度数据；

车载组合导航系统，用于采集的车辆的经纬度和姿态信息；

如第二方面的高精度语义导航地图构建装置。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面任一种实现方式的基于激光雷达的高精度语义导航地图构建方法。

本发明实施例提供的基于激光雷达的高精度语义导航地图构建方法和装置，首先获取车载激光雷达采集的车辆周边三维点云与反射强度数据和车载组合导航系统采集的车辆的经纬度和姿态信息；然后根据车载激光雷达和车载组合导航系统的相对位置关系以及车辆的经纬度和姿态信息，将三维点云数据转换到大地坐标系，并根据三维点云数据在大地坐标系中得到高精度点云地图；接着根据三维点云的反射强度数据，在高精度点云地图中标注出包含语义信息的离散点并分类后得到地图语义元素集合；最后根据地图语义元素集合中各元素的语义关联信息，生成高精度语义导航地图，由于仅使用激光雷达和车载组合导航系统配合，无需专业测绘设备，能够以低成本构建高精度语义导航地图，满足了自动驾驶车辆的导航、决策规划等需求。

附图说明

图1为本发明实施例提供的基于激光雷达的高精度语义导航地图构建方法的流程图；

图2为本发明实施例提供的基于激光雷达的高精度语义导航地图构建方法的各坐标系间空间位置关系示意图；

图3为根据本发明实施例提供的基于激光雷达的高精度语义导航地图构建方法构建的高精度语义导航地图的示意图；

图4为本发明实施例提供的基于激光雷达的高精度语义导航地图构建装置的结构示意图；

图5为本发明提供的基于激光雷达的高精度语义导航地图构建系统的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

图1为本发明实施例提供的基于激光雷达的高精度语义导航地图构建方法的流程图，如图1所示，本实施例提供的基于激光雷达的高精度语义导航地图构建方法包括：

步骤S101，获取车载激光雷达采集的车辆周边三维点云与反射强度数据。

激光雷达是以发射激光束探测目标的位置、速度等特征量的雷达系统。其工作原理是向目标发射探测信号(激光束)，然后将接收到的从目标反射回来的信号(目标回波)与发射信号进行比较，作适当处理后，就可获得目标的有关信息，如目标距离、方位、高度、速度、姿态、甚至形状等参数。激光雷达由激光发射机、光学接收机、转台和信息处理系统等组成，光发射机将电脉冲变成光脉冲发射出去，光学接收机再把从目标反射回来的光脉冲还原成电脉冲。

相比于专业的测绘设备，激光雷达的成本较低，且体积、重量较小，适用于在普通车辆上配置。在车辆上配置激光雷达后，控制激光雷达向车辆周边发射激光束，并接收从目标发射回来的信号，就可以得到车辆周边的三维点云，以及三维点云的反射强度数据。点云是在和目标表面特性的海量点集合，包括三维坐标和反射强度。也就是说，在车辆上配置了车载激光雷达后，就能够通过车载激光雷达采集到的车辆周边物体的三维点云信息，包括三维点云的坐标和反射强度数据。

步骤S102，获取车载组合导航系统采集的车辆的经纬度和姿态信息。

为了实现车辆的导航，在车辆中需要配置导航设备，车辆中的导航设备至少需要包括卫星导航设备以及惯性测量单元(Inertial Measurement Unit，IMU)。将车辆中的各种导航设备称为车载组合导航系统，其中，卫星导航设备可以是任一种全球卫星导航系统(Global Navigation Satellite System，GNSS)设备或组合，例如可以包括全球卫星定位系统(Global Positioning System，GPS)、北斗、格洛纳斯(GLONASS)、伽利略(GALILEO)等。通过一种或多种卫星导航设备，可以获取车辆的位置信息，该位置信息是以经纬度表示的。另外，车辆上还需要配置IMU，IMU是测量物体三轴姿态角(或角速率)以及加速度的装置，一般的，一个IMU包含了三个单轴的加速度计和三个单轴的陀螺，加速度计检测物体在载体坐标系统独立三轴的加速度信号，而陀螺检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。通过车载组合导航系统，可以采集的车辆的经纬度和姿态信息。

因此，获取车辆的经纬度和姿态信息首先是获取车载组合导航系统采集的车辆的IMU数据和卫星定位数据；然后再根据IMU数据和卫星定位数据得到车辆的经纬度和姿态信息。

步骤S103，根据车载激光雷达和车载组合导航系统的相对位置关系以及车辆的经纬度和姿态信息，将三维点云数据转换到大地坐标系，并根据三维点云数据在大地坐标系中得到高精度点云地图。

车载激光雷达所采集的信息表示的是车辆周边其他物体的信息，车载组合导航系统所采集的信息表示的是车辆自身的相关信息，将车载激光雷达采集的信息和车载组合导航系统采集的信息组合在一起，即可形成表示车辆与周边物体相对位置关系的地图。

但是由于车载激光雷达和车载组合导航系统分别是基于不同的坐标系进行测量得到的测量数据，那么车载激光雷达采集的车辆周边三维点云与反射强度数据和车载组合导航系统采集的车辆的经纬度和姿态信息无法直接结合在一起，因此首先需要进行坐标系的转换。由于最终需要得到车辆的高精度语义导航地图，因此需要将各种数据均转换到大地坐标系中。

车载激光雷达和车载组合导航系统在车辆中的部署位置不同，但相对位置关系在车辆上是确定的，那么在进行坐标系转换时，就需要根据车载激光雷达和车载组合导航系统的相对位置关系，将分别测量的数据归一化到同一个参考原点。而车载激光雷达由于测量时一般是在极坐标系中进行的测量，因此还需要将车载激光雷达测量到的数据从极坐标系转换到三维坐标系中。最终，需要得到在大地坐标系中，三维点云和车辆自身位置组成的高精度点云地图。

进一步地，由于车载激光雷达和车载组合导航系统处于不同的坐标系中，因此可以首先根据车载激光雷达和车载组合导航系统的相对位置关系，将三维点云数据从激光雷达坐标系转换到车身坐标系；然后根据车辆的经纬度和姿态信息，将三维点云数据从车身坐标系转换到大地坐标系，并根据三维点云数据在大地坐标系中得到高精度点云地图。

图2为本发明实施例提供的基于激光雷达的高精度语义导航地图构建方法的各坐标系间空间位置关系示意图，如图2所示，车辆21上部署有车载激光雷达22和车载组合导航系统23，车载激光雷达22和车载组合导航系统23分别部署于车辆21的不同位置。设车身坐标系为o_vx_vy_vz_v，激光雷达坐标系为o_sx_sy_sz_s，大地坐标系为o_mx_my_mz_m。其中车身坐标系为车载组合导航系统23对应的坐标系，激光雷达坐标系为车载激光雷达22对应的坐标系，大地坐标系为高精度点云地图对应的坐标系。

在进行坐标系转换时，首先需要根据车载激光雷达22和车载组合导航系统23的相对位置关系，将车载激光雷达22采集的三维点云数据从激光雷达坐标系转换到车身坐标系。接着再根据车载组合导航系统23采集的车辆21的经纬度和姿态信息，将三维点云数据从车身坐标系转换到大地坐标系。这样三维点云数据就转换为大地坐标系中的坐标数据，即可根据三维点云数据在大地坐标系中得到高精度点云地图。

激光雷达常用的坐标系为极坐标系，以车载激光雷达22采集的三维点云数据以三维极坐标表示，那么为了便于转换，首先需要将极坐标系转换到三维直角坐标系中，例如将三维点云数据所在的三维极坐标系转换到笛卡尔坐标系。车载激光雷达22与车辆21之间存在平移和旋转关系，通过离线标定可以获得车载激光雷达22到车身坐标系的平移和旋转变换关系，然后根据车载激光雷达和车载组合导航系统的平移和旋转关系，将三维点云数据从笛卡尔坐标系转换到车身坐标系。

设三维点云的三维极坐标为(ρ_i,θ_i,γ_i)，其中ρ_i表示车载激光雷达22中心到检测物体的欧式距离，θ_i为激光三维极坐标系下的偏航发射角度，γ_i是三维极坐标系下的俯仰发射角度。

将三维点云数据所在的三维极坐标系转换到笛卡尔坐标系，包括：

根据公式

将三维点云数据所在的三维极坐标系转换到笛卡尔坐标系，其中(x_i,y_i,z_i)为三维点云在笛卡尔坐标系中的三维坐标。

根据车载激光雷达22和车载组合导航系统23的平移和旋转关系，将三维点云数据从笛卡尔坐标系转换到车身坐标系，包括：

根据公式

将三维点云数据从笛卡尔坐标系转换到车身坐标系，其中：

其中(x_v,y_v,z_v)为三维点云在车身坐标系中的三维坐标，[x_sv,y_sv,z_sv]表示车载激光雷达22和车载组合导航系统23的平移关系，[ψ_s,β_s,φ_s]表示车载激光雷达22和车载组合导航系统23的旋转关系。

步骤S104，根据三维点云的反射强度数据，在高精度点云地图中标注出包含语义信息的离散点并分类后得到地图语义元素集合。

为了实现自动驾驶，需要生成包含语义信息的导航地图，其中，包含语义信息的导航地图是指在导航地图中包含自动驾驶所需关注的语义元素，例如包含车道、道路边界、停止线、人行横道、信号灯等带有语义的元素，在导航地图中体现出上述包含语义的元素后，自动驾驶系统即可更加便捷地实现自动驾驶的判断。

为了得到高精度语义导航地图，首先需要在步骤S103中得到的高精度点云地图中进行语义元素的识别和标注。在高精度点云地图中，各物体是由点云中众多的离散点组成的，每个离散点具有不同的反射强度数据。因此，在高精度点云地图中，首先需要标注包含语义信息的离散点并进行分类，从而得到地图语义元素集合。例如，对于车道线，包括白色实线、白色虚线、黄色实线、黄色虚线、双黄色实线几种，不同的车道线所表示的语义元素不同。在高精度点云地图中，就可以根据识别出的不同语义，将属于不同语义的元素的离散点分为一类，从而得到与每种语义元素对应的语义元素集合。

在一实施例中，首先根据三维点云的反射强度数据，在高精度点云地图中标注出包含语义信息的离散点，然后将包含语义信息的离散点连接成多边形并分类，得到地图语义元素集合{(x_1,c ^k,y_1,c ^k),(x_2,c ^k,y_2,c ^k),...(x_n,c ^k,y_n,c ^k),k＝1,2…m_c}，其中c为语义类别，m_c为属于类别c的多边形个数，(x_n,c ^k,y_n,c ^k)表示第k个多边形的第n个点云在高精度点云地图中的坐标。由于车道中心线是虚拟存在的，无法通过标注获取，因此可以根据车道的左右边界生成车道中心线j：{(0.5×x_i,左 ^j+0.5×x_i,右 ^j,0.5×y_i,l左 ^j+0.5×y_i,右 ^j),i＝1,2,…,n}，x_i,左 ^j表示车道中心线j左边界第i个点云在高精度点云地图中的横坐标，x_i,右 ^j表示车道中心线j右边界第i个点云在高精度点云地图中的横坐标，y_i,左 ^j表示车道中心线j左边界第i个点云在高精度点云地图中的纵坐标、y_i,右 ^j分别表示车道中心线j右边界第i个点云在高精度点云地图中的纵坐标。

步骤S105，根据地图语义元素集合中各元素的语义关联信息，生成高精度语义导航地图。

在得到高精度点云地图的地图语义元素集合后，即可根据地图语义元素集合中各元素的语义关联信息，生成高精度语义导航地图。地图语义元素集合仅是具有不同语义的元素所表示的集合，而为了实现自动驾驶导航，需要确定不同地图语义元素集合所表示的含义，例如某一地图语义元素集合为黄色实线语义对应的元素集合，那么将其表示的点云在地图中连接能够得到一条黄色实线，即表示地图上双向车道的边界，再将得到的黄色实线在地图中体现出，即可得到高精度语义导航地图。

语义数据关联信息在本实施例中是指车道与车道的连接关系，是自动驾驶用于导航规划的重要信息，本实施例提出了一种语义数据关联方法，通过将所有车道中心线的首尾两点

建立KD树，针对第i个车道中心线的首尾两点分别查找KD树，找到其最邻近点所属的第a和第b个车道，作为第i个车道的前向和后向关联，遍历所有车道从而获得完整的连接关系。图3为根据本发明实施例提供的基于激光雷达的高精度语义导航地图构建方法构建的高精度语义导航地图的示意图。

本实施例提供的基于激光雷达的高精度语义导航地图构建方法，首先获取车载激光雷达采集的车辆周边三维点云与反射强度数据和车载组合导航系统采集的车辆的经纬度和姿态信息；然后根据车载激光雷达和车载组合导航系统的相对位置关系以及车辆的经纬度和姿态信息，将三维点云数据转换到大地坐标系，并根据三维点云数据在大地坐标系中得到高精度点云地图；接着根据三维点云的反射强度数据，在高精度点云地图中标注出包含语义信息的离散点并分类后得到地图语义元素集合；最后根据地图语义元素集合中各元素的语义关联信息，生成高精度语义导航地图，由于仅使用激光雷达和车载组合导航系统配合，无需专业测绘设备，能够以低成本构建高精度语义导航地图，满足了自动驾驶车辆的导航、决策规划等需求。

图4为本发明实施例提供的基于激光雷达的高精度语义导航地图构建装置的结构示意图，如图4所示，本实施例提供的基于激光雷达的高精度语义导航地图构建装置包括：

雷达数据采集模块41，用于获取车载激光雷达采集的车辆周边三维点云与反射强度数据。

导航数据采集模块42，用于获取车载组合导航系统采集的车辆的经纬度和姿态信息。

坐标转换模块43，用于根据车载激光雷达和车载组合导航系统的相对位置关系以及车辆的经纬度和姿态信息，将三维点云数据转换到大地坐标系，并根据三维点云数据在大地坐标系中得到高精度点云地图。

语义分类模块44，用于根据三维点云的反射强度数据，在高精度点云地图中标注出包含语义信息的离散点并分类后得到地图语义元素集合。

地图建立模块45，用于根据地图语义元素集合中各元素的语义关联信息，生成高精度语义导航地图。

本实施例提供的基于激光雷达的高精度语义导航地图构建装置用于实现图1所示基于激光雷达的高精度语义导航地图构建方法的技术方案，其实现原理和技术效果类似，此处不再赘述。

图5为本发明提供的基于激光雷达的高精度语义导航地图构建系统的结构示意图。如图5所示，该基于激光雷达的高精度语义导航地图构建系统包括车载激光雷达51、车载组合导航系统52、高精度语义导航地图构建装置53。车载激光雷达51，用于采集车辆周边三维点云与反射强度数据，车载组合导航系统52，用于采集的车辆的经纬度和姿态信息，高精度语义导航地图构建装置53可以为图4所示的高精度语义导航地图构建装置，实现如图1所示的高精度语义导航地图构建方法。

本发明还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种基于激光雷达的高精度语义导航地图构建方法，该方法包括：

获取车载激光雷达采集的车辆周边三维点云与反射强度数据；获取车载组合导航系统采集的车辆的经纬度和姿态信息；根据车载激光雷达和车载组合导航系统的相对位置关系以及车辆的经纬度和姿态信息，将三维点云数据转换到大地坐标系，并根据三维点云数据在大地坐标系中得到高精度点云地图；根据三维点云的反射强度数据，在高精度点云地图中标注出包含语义信息的离散点并分类后得到地图语义元素集合；根据地图语义元素集合中各元素的语义关联信息，生成高精度语义导航地图。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种基于激光雷达的高精度语义导航地图构建方法，其特征在于，包括：

获取车载激光雷达采集的车辆周边三维点云与反射强度数据；

获取车载组合导航系统采集的车辆的经纬度和姿态信息；

根据所述车载激光雷达和所述车载组合导航系统的相对位置关系以及所述车辆的经纬度和姿态信息，将所述三维点云数据转换到大地坐标系，并根据所述三维点云数据在所述大地坐标系中得到高精度点云地图；

根据所述三维点云的反射强度数据，在所述高精度点云地图中标注出包含语义信息的离散点并分类后得到地图语义元素集合；

根据所述地图语义元素集合中各元素的语义关联信息，生成高精度语义导航地图。

2.根据权利要求1所述的方法，其特征在于，所述根据所述车载激光雷达和所述车载组合导航系统的相对位置关系以及所述车辆的经纬度和姿态信息，将所述三维点云数据转换到大地坐标系，并根据所述三维点云数据在所述大地坐标系中得到高精度点云地图，包括：

根据所述车载激光雷达和所述车载组合导航系统的相对位置关系，将所述三维点云数据从激光雷达坐标系转换到车身坐标系；

根据所述车辆的经纬度和姿态信息，将所述三维点云数据从车身坐标系转换到大地坐标系，并根据所述三维点云数据在所述大地坐标系中得到高精度点云地图。

3.根据权利要求2所述的方法，其特征在于，所述三维点云以三维极坐标表示，所述根据所述车载激光雷达和所述车载组合导航系统的相对位置关系，将所述三维点云数据从激光雷达坐标系转换到车身坐标系，包括：

将所述三维点云数据所在的三维极坐标系转换到笛卡尔坐标系；

根据所述车载激光雷达和所述车载组合导航系统的平移和旋转关系，将所述三维点云数据从笛卡尔坐标系转换到车身坐标系。

4.根据权利要求3所述的方法，其特征在于，所述三维点云的三维极坐标为(ρ_i,θ_i,γ_i)，其中ρ_i表示所述车载激光雷达中心到检测物体的欧式距离，θ_i为激光三维极坐标系下的偏航发射角度，γ_i是三维极坐标系下的俯仰发射角度；

所述将所述三维点云数据所在的三维极坐标系转换到笛卡尔坐标系，包括：

根据公式

将所述三维点云数据所在的三维极坐标系转换到笛卡尔坐标系，其中(x_i,y_i,z_i)为三维点云在笛卡尔坐标系中的三维坐标；

所述根据所述车载激光雷达和所述车载组合导航系统的平移和旋转关系，将所述三维点云数据从笛卡尔坐标系转换到车身坐标系，包括：

根据公式

将所述三维点云数据从笛卡尔坐标系转换到车身坐标系，其中：

其中(x_v,y_v,z_v)为三维点云在车身坐标系中的三维坐标，[x_sv,y_sv,z_sv]表示所述车载激光雷达和所述车载组合导航系统的平移关系，[ψ_s,β_s,φ_s]表示所述车载激光雷达和所述车载组合导航系统的旋转关系。

5.根据权利要求1～4任一项所述的方法，其特征在于，所述根据所述三维点云的反射强度数据，在所述高精度点云地图中标注出包含语义信息的离散点并分类后得到地图语义元素集合，包括：

根据所述三维点云的反射强度数据，在所述高精度点云地图中标注出包含语义信息的离散点，将所述包含语义信息的离散点连接成多边形并分类，后得到地图语义元素集合{(x_1,c ^k,y_1,c ^k),(x_2,c ^k,y_2,c ^k),...(x_n,c ^k,y_n,c ^k),k＝1,2…m_c}，其中c为语义类别，m_c为属于类别c的多边形个数，(x_n,c ^k,y_n,c ^k)表示第k个多边形的第n个点云在高精度点云地图中的坐标，j为车道中心线，根据车道的左右边界生成，{(0.5×x_i,左 ^j+0.5×x_i,右 ^j,0.5×y_i,左 ^j+0.5×y_i,右 ^j),i＝1,2,…,n}，x_i,左 ^j、x_i,右 ^j、y_i,左 ^j、y_i,右 ^j分别表示车道中心线j左右边界第i个点云在高精度点云地图中的坐标。

6.根据权利要求5所述的方法，其特征在于，所述根据所述地图语义元素集合中各元素的语义关联信息，生成高精度语义导航地图，包括：

将所有车道中心线的首尾两点

建立KD树，针对第i个车道中心线的首尾两点分别查找KD树，找到最邻近点所属的第a和第b个车道，作为第i个车道的前向和后向关联，遍历所有车道获得完整的连接关系，生成高精度语义导航地图。

7.根据权利要求1～4任一项所述的方法，其特征在于，所述获取车载组合导航系统采集的车辆的经纬度和姿态信息，包括：

获取车载组合导航系统采集的车辆的IMU数据和卫星定位数据；

根据所述IMU数据和卫星定位数据得到所述车辆的经纬度和姿态信息。

8.一种基于激光雷达的高精度语义导航地图构建装置，其特征在于，包括：

雷达数据采集模块，用于获取车载激光雷达采集的车辆周边三维点云与反射强度数据；

导航数据采集模块，用于获取车载组合导航系统采集的车辆的经纬度和姿态信息；

坐标转换和模块，用于根据所述车载激光雷达和所述车载组合导航系统的相对位置关系以及所述车辆的经纬度和姿态信息，将所述三维点云数据转换到大地坐标系，并根据所述三维点云数据在所述大地坐标系中得到高精度点云地图；

语义分类模块，用于根据所述三维点云的反射强度数据，在所述高精度点云地图中标注出包含语义信息的离散点并分类后得到地图语义元素集合；

地图建立模块，用于根据所述地图语义元素集合中各元素的语义关联信息，生成高精度语义导航地图。

9.一种基于激光雷达的高精度语义导航地图构建系统，其特征在于，包括：

车载激光雷达，用于采集车辆周边三维点云与反射强度数据；

车载组合导航系统，用于采集的车辆的经纬度和姿态信息；

如权利要求7所述的高精度语义导航地图构建装置。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的基于激光雷达的高精度语义导航地图构建方法。

Images